特開 2024-144930 学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024144930

(43)【公開日】2024-10-15

(54)【発明の名称】学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法

(51)【国際特許分類】

   G06Q 10/087 20230101AFI20241004BHJP

   G06N 20/00 20190101ALI20241004BHJP

   G03G 21/00 20060101ALI20241004BHJP

   B41J 29/38 20060101ALI20241004BHJP

【ＦＩ】

G06Q10/087

G06N20/00 130

G03G21/00 388

G03G21/00 512

B41J29/38 204

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2023057113

(22)【出願日】2023-03-31

(71)【出願人】

【識別番号】000006150

【氏名又は名称】京セラドキュメントソリューションズ株式会社

(74)【代理人】

【識別番号】100140796

【弁理士】

【氏名又は名称】原口 貴志

(72)【発明者】

【氏名】鈴木 淳

(72)【発明者】

【氏名】同前 和樹

(72)【発明者】

【氏名】岩崎 幸雄

【テーマコード（参考）】

2C061

2H270

5L010

5L049

【Ｆターム（参考）】

2C061AP07

2C061AQ06

2C061HK11

2C061HK19

2H270LA70

2H270LA99

2H270MF09

2H270RA01

2H270RA10

2H270RC05

2H270ZC03

2H270ZC04

5L010AA04

5L049AA04

(57)【要約】

【課題】 機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法を提供する。
【解決手段】 画像形成装置におけるトナーの残量を予測する機械学習モデルとしてのトナー残量予測モデルに学習させる学習データを生成する学習データ生成システムは、画像形成装置におけるトナーの残量の時系列データの近似直線の傾きと同一の傾きであって、時系列データにおける最終の記録時点としての最終記録時点において時系列データと同一の残量になる直線としての最終記録時点後補完用直線における、最終記録時点後、残量が無くなる時点以前のデータを、時系列データに追加することによって、学習データを生成する（Ｓ１１３）ことを特徴とする。
【選択図】 図６

【特許請求の範囲】

【請求項1】

電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成する学習データ生成システムであって、
前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することを特徴とする学習データ生成システム。

【請求項2】

前記時系列データにおいて前記最終記録時点を含む連続した複数の記録時点において前記残量が一定ではない場合に、前記最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成し、
前記時系列データにおいて前記最終記録時点を含む連続した複数の記録時点において前記残量が一定である場合に、前記近似直線の傾きと同一の傾きであって、前記時系列データにおいて前記最終記録時点と前記残量が同一である最先の記録時点としての停滞開始時点において前記時系列データと同一の前記残量になる直線としての停滞開始時点後補完用直線における、前記停滞開始時点後、前記残量が無くなる時点以前のデータを、前記停滞開始時点以前の前記時系列データに追加することによって前記学習データを生成することを特徴とする請求項１に記載の学習データ生成システム。

【請求項3】

電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成するための学習データ生成プログラムであって、
前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することをコンピューターに実現させることを特徴とする学習データ生成プログラム。

【請求項4】

電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成する学習データ生成方法であって、
前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することを特徴とする学習データ生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成する学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法に関する。

【背景技術】

【0002】

従来、電子機器において用いられる消耗品の消費量または残量を表す消費量情報の時系列データに基づいて、消耗品の需要予測の条件を機械学習した学習済モデルが知られている（例えば、特許文献１参照。）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２０－１５１８７９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来の学習済モデルにおいては、機械学習に用いられる時系列データとして、消耗品の残量が無くなるまでのデータを含む時系列データが十分に使用されていない場合には、消耗品の残量が無くなる時点の付近の時期のデータを十分に学習することができないので、消耗品の需要予測の精度が低い可能性があるという問題がある。

【0005】

そこで、本発明は、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明の学習データ生成システムは、電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成する学習データ生成システムであって、前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することを特徴とする。

【0007】

この構成により、本発明の学習データ生成システムは、電子機器における消耗品の残量の時系列データの近似直線の傾きと同一の傾きであって、時系列データにおける最終の記録時点としての最終記録時点において時系列データと同一の残量になる直線としての最終記録時点後補完用直線における、最終記録時点後、残量が無くなる時点以前のデータを、時系列データに追加することによって、消耗品の残量が無くなるまでの学習データを生成するので、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる。

【0008】

本発明の学習データ生成システムは、前記時系列データにおいて前記最終記録時点を含む連続した複数の記録時点において前記残量が一定ではない場合に、前記最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成し、前記時系列データにおいて前記最終記録時点を含む連続した複数の記録時点において前記残量が一定である場合に、前記近似直線の傾きと同一の傾きであって、前記時系列データにおいて前記最終記録時点と前記残量が同一である最先の記録時点としての停滞開始時点において前記時系列データと同一の前記残量になる直線としての停滞開始時点後補完用直線における、前記停滞開始時点後、前記残量が無くなる時点以前のデータを、前記停滞開始時点以前の前記時系列データに追加することによって前記学習データを生成しても良い。

【0009】

この構成により、本発明の学習データ生成システムは、電子機器における消耗品の残量の時系列データにおいて最終記録時点を含む連続した複数の記録時点において消耗品の残量が一定である場合に、時系列データの近似直線の傾きと同一の傾きであって、時系列データにおいて最終記録時点と残量が同一である最先の記録時点としての停滞開始時点において時系列データと同一の残量になる直線としての停滞開始時点後補完用直線における、停滞開始時点後、残量が無くなる時点以前のデータを、停滞開始時点以前の時系列データに追加することによって学習データを生成するので、時系列データにおいて最終記録時点の付近の時期で利用者による消耗品の使用控えの影響があったとしても、利用者による消耗品の使用控えの影響を低減した学習データを生成することができる。したがって、本発明の学習データ生成システムは、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる。

【0010】

本発明の学習データ生成プログラムは、電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成するための学習データ生成プログラムであって、前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することをコンピューターに実現させることを特徴とする。

【0011】

この構成により、本発明の学習データ生成プログラムを実行するコンピューターは、電子機器における消耗品の残量の時系列データの近似直線の傾きと同一の傾きであって、時系列データにおける最終の記録時点としての最終記録時点において時系列データと同一の残量になる直線としての最終記録時点後補完用直線における、最終記録時点後、残量が無くなる時点以前のデータを、時系列データに追加することによって、消耗品の残量が無くなるまでの学習データを生成するので、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる。

【0012】

本発明の学習データ生成方法は、電子機器における消耗品の残量を予測する機械学習モデルに学習させる学習データを生成する学習データ生成方法であって、前記電子機器における前記残量の時系列データの近似直線の傾きと同一の傾きであって、前記時系列データにおける最終の記録時点としての最終記録時点において前記時系列データと同一の前記残量になる直線としての最終記録時点後補完用直線における、前記最終記録時点後、前記残量が無くなる時点以前のデータを、前記時系列データに追加することによって前記学習データを生成することを特徴とする。

【0013】

この構成により、本発明の学習データ生成方法は、電子機器における消耗品の残量の時系列データの近似直線の傾きと同一の傾きであって、時系列データにおける最終の記録時点としての最終記録時点において時系列データと同一の残量になる直線としての最終記録時点後補完用直線における、最終記録時点後、残量が無くなる時点以前のデータを、時系列データに追加することによって、消耗品の残量が無くなるまでの学習データを生成するので、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる。

【発明の効果】

【0014】

本発明の学習データ生成システム、学習データ生成プログラムおよび学習データ生成方法は、機械学習モデルによる消耗品の残量の予測精度を向上することができる学習データを生成することができる。

【図面の簡単な説明】

【0015】

【図1】本発明の一実施の形態に係るシステムのブロック図である。

【図2】１台のコンピューターによって構成されている場合の図１に示す学習データ生成システムのブロック図である。

【図3】画像形成装置によって記録されて図２に示す学習データ生成システムによって使用される時系列データの一例を示す図である。

【図4】図２に示す学習データ生成システムの動作のフローチャートである。

【図5】（ａ）図３に示す時系列データから分割された１つの時系列データを示す図である。 （ｂ）図３に示す時系列データから分割された、図５（ａ）に示す時系列データとは異なる１つの時系列データを示す図である。

【図6】図４に示す補完工程の一例のフローチャートである。

【図7】（ａ）図５（ａ）に示す時系列データの近似直線を示す図である。 （ｂ）図５（ｂ）に示す時系列データの近似直線を示す図である。

【図8】（ａ）図５（ａ）に示す時系列データの最終記録時点後補完用直線を示す図である。 （ｂ）図５（ｂ）に示す時系列データの最終記録時点後補完用直線を示す図である。

【図9】（ａ）図５（ａ）に示す時系列データを補完した学習データを示す図である。 （ｂ）図５（ｂ）に示す時系列データを補完した学習データを示す図である。

【図10】図４に示す補完工程の、図６に示す例とは異なる一例のフローチャートである。

【図11】（ａ）図５（ｂ）に示す時系列データの停滞開始時点後補完用直線を示す図である。 （ｂ）図５（ｂ）に示す時系列データを補完した学習データを示す図である。

【図12】（ａ）トナー残量予測モデルによってトナーの残量が予測される対象の時系列データの一例を示す図である。 （ｂ）トナーの残量が無くなるまでのデータが存在しない時系列データを学習データとして学習したトナー残量予測モデルによって図１２（ａ）に示す時系列データに対して予測されたトナーの残量の時系列データの一例を示す図である。

【図13】図２に示す学習データ生成システムによって生成された学習データを学習したトナー残量予測モデルによって図１２（ａ）に示す時系列データに対して予測されたトナーの残量の時系列データの一例を示す図である。

【発明を実施するための形態】

【0016】

以下、本発明の実施の形態について、図面を用いて説明する。

【0017】

まず、本発明の一実施の形態に係るシステムの構成について説明する。

【0018】

図１は、本実施の形態に係るシステム１０のブロック図である。

【0019】

図１に示すように、システム１０は、消耗品としてのトナーを格納する交換可能なトナーカートリッジ２１を備える電子機器としての例えばプリンター専用機、ＭＦＰ（Ｍｕｌｔｉｆｕｎｃｔｉｏｎ Ｐｅｒｉｐｈｅｒａｌ）などの画像形成装置２０と、画像形成装置２０におけるトナーの残量を予測する機械学習モデル（以下「トナー残量予測モデル」という。）に学習させる学習データを、画像形成装置２０によって記録されたトナーの残量の時系列データを使用して生成する学習データ生成システム３０と、学習データ生成システム３０によって生成された学習データをトナー残量予測モデルに学習させるモデル学習システム４０と、モデル学習システム４０によって生成されたトナー残量予測モデル、および、画像形成装置２０によって記録されたトナーの残量の時系列データを使用して画像形成装置２０におけるトナーの残量を予測する残量予測システム５０とを備えている。

【0020】

学習データ生成システム３０、モデル学習システム４０、残量予測システム５０は、それぞれ、１台のコンピューターによって構成されても良いし、複数台のコンピューターによって構成されても良い。

【0021】

学習データ生成システム３０を構成するコンピューターと、モデル学習システム４０を構成するコンピューターとは、少なくとも一部が共通していても良い。例えば、学習データ生成システム３０は、モデル学習システム４０を兼ねていても良い。

【0022】

学習データ生成システム３０を構成するコンピューターと、残量予測システム５０を構成するコンピューターとは、少なくとも一部が共通していても良い。例えば、学習データ生成システム３０は、残量予測システム５０を兼ねていても良い。

【0023】

モデル学習システム４０を構成するコンピューターと、残量予測システム５０を構成するコンピューターとは、少なくとも一部が共通していても良い。例えば、モデル学習システム４０は、残量予測システム５０を兼ねていても良い。

【0024】

学習データ生成システム３０、モデル学習システム４０および残量予測システム５０の少なくとも一部は、画像形成装置２０によって構成されても良い。例えば、残量予測システム５０は、画像形成装置２０によって実現されても良い。

【0025】

図２は、１台のコンピューターによって構成されている場合の学習データ生成システム３０のブロック図である。

【0026】

図２に示すように、学習データ生成システム３０は、種々の操作が入力される例えばキーボード、マウスなどの操作デバイスである操作部３１と、種々の情報を表示する例えばＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）などの表示デバイスである表示部３２と、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネットなどのネットワーク経由で、または、ネットワークを介さずに有線または無線によって直接に、外部の装置と通信を行う通信デバイスである通信部３３と、各種の情報を記憶する例えば半導体メモリー、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの不揮発性の記憶デバイスである記憶部３４と、学習データ生成システム３０全体を制御する制御部３５とを備えるＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）などのコンピューターによって実現されている。

【0027】

記憶部３４は、トナー残量予測モデルに学習させる学習データを生成するための学習データ生成プログラム３４ａを記憶している。学習データ生成プログラム３４ａは、例えば、学習データ生成システム３０の製造段階で学習データ生成システム３０にインストールされていても良いし、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリーなどの外部の記憶媒体から学習データ生成システム３０に追加でインストールされても良いし、ネットワーク上から学習データ生成システム３０に追加でインストールされても良い。

【0028】

制御部３５は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）と、プログラムおよび各種のデータを記憶しているＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）と、制御部３５のＣＰＵの作業領域として用いられるメモリーとしてのＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）とを備えている。制御部３５のＣＰＵは、記憶部３４または制御部３５のＲＯＭに記憶されているプログラムを実行する。

【0029】

制御部３５は、学習データ生成プログラム３４ａを実行することによって、トナー残量予測モデルに学習させる学習データを生成する学習データ生成部３５ａを実現する。

【0030】

次に、学習データ生成システム３０による学習データ生成方法について説明する。

【0031】

図３は、画像形成装置２０などの画像形成装置によって記録されて学習データ生成システム３０によって使用される時系列データ６０の一例を示す図である。

【0032】

以下においては、図３に示す時系列データ６０から学習データを生成する場合の学習データ生成システム３０の動作について説明する。

【0033】

図３に示す時系列データ６０は、毎日１回、定期的に画像形成装置によって記録されたトナーの残量の時系列データである。以下、画像形成装置によってトナーの残量が記録された時点を記録時点という。図３に示す時系列データ６０には、２０２３年１月６日の記録時点以降２０２３年１月７日の記録時点以前の期間と、２０２３年２月１７日の記録時点以降２０２３年２月１８日の記録時点以前の期間と、２０２３年３月１６日の記録時点以降２０２３年３月１７日の記録時点以前の期間とのそれぞれに、画像形成装置においてトナーカートリッジが新品に交換されたことが現われている。

【0034】

画像形成装置の利用者は、例えば、画像形成装置を使用した作業の途中でトナーの残量が無くなる、すなわち、０％になることを回避するなどの理由によって、トナーの残量が無くなる前に、余裕を持ってトナーカートリッジを新品に交換する場合が多い。したがって、トナーカートリッジ毎のトナーの残量の時系列データとしては、トナーの残量が無くなるまでのデータが存在するものが非常に少ない。

【0035】

図４は、学習データ生成システム３０の動作のフローチャートである。

【0036】

図４に示すように、学習データ生成部３５ａは、画像形成装置によって記録されたトナーの残量の時系列データを、トナーカートリッジの交換のタイミングを基準として複数の時系列データに分割する分割工程を実行する（Ｓ１０１）。トナーカートリッジの交換のタイミングは、トナーの残量が増加した記録時点の直前の記録時点以降、トナーの残量が増加した記録時点以前の期間に存在する。Ｓ１０１の処理によって、トナーカートリッジ毎の時系列データが生成される。

【0037】

図５（ａ）は、図３に示す時系列データ６０から分割された１つの時系列データ６１を示す図である。図５（ｂ）は、図３に示す時系列データ６０から分割された、図５（ａ）に示す時系列データ６１とは異なる１つの時系列データ６２を示す図である。

【0038】

図５（ａ）に示す時系列データ６１は、２０２３年１月７日以降２０２３年２月１７日以前の期間の時系列データである。図５（ａ）に示す時系列データ６１は、図３に示す時系列データ６０においてトナーの残量が増加した記録時点としての２０２３年１月７日の直前の記録時点としての２０２３年１月６日以降、トナーの残量が増加した記録時点としての２０２３年１月７日以前の期間に新たに画像形成装置に装着されたトナーカートリッジにおけるトナーの残量の時系列データである。

【0039】

図５（ｂ）に示す時系列データ６２は、２０２３年２月１８日以降２０２３年３月１６日以前の期間の時系列データである。図５（ｂ）に示す時系列データ６２は、図５（ａ）に示す時系列データ６１の対象のトナーカートリッジの次に画像形成装置に装着されたトナーカートリッジ、すなわち、図３に示す時系列データ６０においてトナーの残量が増加した記録時点としての２０２３年２月１８日の直前の記録時点としての２０２３年２月１７日以降、トナーの残量が増加した記録時点としての２０２３年２月１８日以前の期間に新たに画像形成装置に装着されたトナーカートリッジにおけるトナーの残量の時系列データである。

【0040】

図４に示すように、学習データ生成部３５ａは、Ｓ１０１の分割工程が終了すると、Ｓ１０１において生成したトナーカートリッジ毎の時系列データのそれぞれに対して、データを補完する補完工程を実行して（Ｓ１０２）、図４に示す動作を終了する。

【0041】

図６は、図４に示す補完工程の一例のフローチャートである。

【0042】

図６に示すように、学習データ生成部３５ａは、Ｓ１０１において生成した時系列データの近似直線を線形近似によって求める（Ｓ１１１）。

【0043】

図７（ａ）は、図５（ａ）に示す時系列データ６１の近似直線６１ａを示す図である。図７（ｂ）は、図５（ｂ）に示す時系列データ６２の近似直線６２ａを示す図である。

【0044】

図７（ａ）に示す近似直線６１ａは、図５（ａ）に示す時系列データ６１における最終の記録時点（以下、「最終の記録時点」を単に「最終記録時点」という。）である２０２３年２月１７日におけるトナーの残量が、時系列データ６１における２０２３年２月１７日におけるトナーの残量より増えている。ここで、トナーカートリッジにおけるトナーの残量は、画像形成装置によって消費されて減ることはあるが、増えることはない。したがって、図７（ａ）に示す近似直線６１ａにおける、２０２３年２月１７日の後、残量が無くなる時点以前のデータを、時系列データ６１に追加することは、現実では起こり得ない状況を表すことになる。

【0045】

図７（ｂ）に示す近似直線６２ａも、図５（ｂ）に示す時系列データ６２における最終記録時点である２０２３年３月１６日におけるトナーの残量が、時系列データ６２における２０２３年３月１６日におけるトナーの残量より増えている。したがって、図７（ｂ）に示す近似直線６２ａにおける、２０２３年３月１６日の後、残量が無くなる時点以前のデータを、時系列データ６１に追加することは、現実では起こり得ない状況を表すことになる。

【0046】

図６に示すように、学習データ生成部３５ａは、Ｓ１１１の工程が終了すると、Ｓ１１１の工程において求めた近似直線の傾きと同一の傾きであって、時系列データにおける最終記録時点において時系列データと同一のトナーの残量になる直線（以下「最終記録時点後補完用直線」という。）を求める（Ｓ１１２）。

【0047】

図８（ａ）は、図５（ａ）に示す時系列データ６１の最終記録時点後補完用直線６１ｂを示す図である。図８（ｂ）は、図５（ｂ）に示す時系列データ６２の最終記録時点後補完用直線６２ｂを示す図である。

【0048】

図８（ａ）に示す最終記録時点後補完用直線６１ｂは、図７（ａ）に示す近似直線６１ａの傾きと同一の傾きであって、図５（ａ）に示す時系列データ６１における最終記録時点である２０２３年２月１７日において時系列データ６１と同一のトナーの残量になる直線である。

【0049】

図８（ｂ）に示す最終記録時点後補完用直線６２ｂは、図７（ｂ）に示す近似直線６２ａの傾きと同一の傾きであって、図５（ｂ）に示す時系列データ６２における最終記録時点である２０２３年３月１６日において時系列データ６２と同一のトナーの残量になる直線である。

【0050】

図６に示すように、学習データ生成部３５ａは、Ｓ１１２の工程が終了すると、時系列データにおける最終記録時点後、Ｓ１１２の工程において求めた最終記録時点後補完用直線においてトナーの残量が無くなる時点以前の、Ｓ１１２の工程において求めた最終記録時点後補完用直線におけるデータを、時系列データに追加することによって、学習データを生成して（Ｓ１１３）、図６に示す補完工程を終了する。

【0051】

図９（ａ）は、図５（ａ）に示す時系列データ６１を補完した学習データ７１を示す図である。図９（ｂ）は、図５（ｂ）に示す時系列データ６２を補完した学習データ７２を示す図である。

【0052】

図９（ａ）に示す学習データ７１は、図５（ａ）に示す時系列データ６１における最終記録時点である２０２３年２月１７日の後、図８（ａ）に示す最終記録時点後補完用直線６１ｂにおいてトナーの残量が無くなる時点以前の、最終記録時点後補完用直線６１ｂにおけるデータ６１ｃが、時系列データ６１に追加された時系列データである。

【0053】

図９（ｂ）に示す学習データ７２は、図５（ｂ）に示す時系列データ６２における最終記録時点である２０２３年３月１６日の後、図８（ｂ）に示す最終記録時点後補完用直線６２ｂにおいてトナーの残量が無くなる時点以前の、最終記録時点後補完用直線６２ｂにおけるデータ６２ｃが、時系列データ６２に追加された時系列データである。

【0054】

学習データ生成部３５ａは、図６に示す補完工程に代えて、図１０に示す補完工程を実行しても良い。

【0055】

図１０は、図４に示す補完工程の、図６に示す例とは異なる一例のフローチャートである。

【0056】

図１０に示すように、学習データ生成部３５ａは、Ｓ１１１の工程と同様に、Ｓ１０１において生成した時系列データの近似直線を線形近似によって求める（Ｓ１２１）。

【0057】

次いで、学習データ生成部３５ａは、時系列データにおいて最終記録時点を含む連続した複数の記録時点においてトナーの残量が一定であるか否かを判断する（Ｓ１２２）。

【0058】

図５（ａ）に示す時系列データ６１は、最終記録時点である２０２３年２月１７日の直前の記録時点である２０２３年２月１６日におけるトナーの残量と、最終記録時点である２０２３年２月１７日におけるトナーの残量とが異なる。したがって、学習データ生成部３５ａは、図５（ａ）に示す時系列データ６１については、時系列データ６１における最終記録時点である２０２３年２月１７日を含む連続した複数の記録時点においてトナーの残量が一定ではないとＳ１２２において判断する。

【0059】

図５（ｂ）に示す時系列データ６２は、２０２３年３月１３日から最終記録時点である２０２３年３月１６日までにおけるトナーの残量が一定である。画像形成装置の利用者は、例えば、画像形成装置を使用した作業の途中でトナーの残量が無くなる、すなわち、０％になることを回避するなどの理由によって、最終記録時点の付近の時期でトナーの使用控えを行う場合がある。図５（ｂ）に示す時系列データ６２は、最終記録時点の付近の時期で利用者によるトナーの使用控えの影響が現われている。したがって、学習データ生成部３５ａは、図５（ｂ）に示す時系列データ６２については、時系列データ６２における最終記録時点である２０２３年３月１６日を含む連続した複数の記録時点においてトナーの残量が一定であるとＳ１２２において判断する。

【0060】

図１０に示すように、学習データ生成部３５ａは、時系列データにおいて最終記録時点を含む連続した複数の記録時点においてトナーの残量が一定ではないとＳ１２２において判断すると、Ｓ１１２およびＳ１１３の工程と同様のＳ１２３およびＳ１２４の工程を実行して、図１０に示す補完工程を終了する。

【0061】

学習データ生成部３５ａは、時系列データにおいて最終記録時点を含む連続した複数の記録時点においてトナーの残量が一定であるとＳ１２２において判断すると、Ｓ１２１の工程において求めた近似直線の傾きと同一の傾きであって、時系列データにおいて最終記録時点とトナーの残量が同一である最先の記録時点（以下「停滞開始時点」という。）において時系列データと同一のトナーの残量になる直線（以下「停滞開始時点後補完用直線」という。）を求める（Ｓ１２５）。

【0062】

学習データ生成部３５ａは、Ｓ１２５の工程が終了すると、時系列データにおける停滞開始時点後、Ｓ１２５の工程において求めた停滞開始時点後補完用直線においてトナーの残量が無くなる時点以前の、Ｓ１２５の工程において求めた停滞開始時点後補完用直線におけるデータを、停滞開始時点以前の時系列データに追加することによって、学習データを生成して（Ｓ１２６）、図１０に示す補完工程を終了する。

【0063】

図１１（ａ）は、図５（ｂ）に示す時系列データ６２の停滞開始時点後補完用直線６２ｄを示す図である。図１１（ｂ）は、図５（ｂ）に示す時系列データ６２を補完した学習データ８２を示す図である。

【0064】

図１１（ａ）に示す停滞開始時点後補完用直線６２ｄは、図７（ｂ）に示す近似直線６２ａの傾きと同一の傾きであって、図５（ｂ）に示す時系列データ６２における停滞開始時点である２０２３年３月１３日において時系列データ６２と同一のトナーの残量になる直線である。

【0065】

図１１（ｂ）に示す学習データ８２は、図５（ｂ）に示す時系列データ６２における停滞開始時点である２０２３年３月１３日の後、図１１（ａ）に示す停滞開始時点後補完用直線６２ｄにおいてトナーの残量が無くなる時点以前の、停滞開始時点後補完用直線６２ｄにおけるデータ６２ｅが、停滞開始時点である２０２３年３月１３日以前の図５（ｂ）に示す時系列データ６２に追加された時系列データである。

【0066】

次に、トナー残量予測モデルについて説明する。

【0067】

まず、学習データ生成システム３０によって生成された学習データを学習したトナー残量予測モデルとの比較のために、図５に示す時系列データ６１、６２のようにトナーの残量が無くなるまでのデータが存在しない時系列データを学習データとして学習したトナー残量予測モデルについて説明する。

【0068】

図１２（ａ）は、トナー残量予測モデルによってトナーの残量が予測される対象の時系列データ９１の一例を示す図である。図１２（ｂ）は、トナーの残量が無くなるまでのデータが存在しない時系列データを学習データとして学習したトナー残量予測モデルによって図１２（ａ）に示す時系列データ９１に対して予測されたトナーの残量の時系列データ９２の一例を示す図である。

【0069】

図１２（ａ）に示す時系列データ９１は、２０２３年３月１７日から２０２３年４月１０日までの期間のトナーの残量の時系列データであり、２０２３年４月１０日の後のトナーの残量のデータは含まれていない。

【0070】

図１２（ｂ）に示す時系列データ９２は、２０２３年４月１０日の後のトナーの残量のデータであるが、トナーの残量が０％より高い値で収束している。このような現象が生じる原因は、学習データにおいてトナーの残量が無くなるまでのデータが存在しないため、トナーの残量を０％に到達させるよりも、トナーの残量を０％より高い値に収束させる方が学習データとの乖離が少ないからである。

【0071】

したがって、トナーの残量が無くなるまでのデータが存在しない時系列データを学習データとして学習したトナー残量予測モデルでは、トナーの残量が無くなる時点を予測することができない。

【0072】

次に、学習データ生成システム３０によって生成された学習データを学習したトナー残量予測モデルについて説明する。

【0073】

図１３は、学習データ生成システム３０によって生成された学習データを学習したトナー残量予測モデルによって図１２（ａ）に示す時系列データ９１に対して予測されたトナーの残量の時系列データ９３の一例を示す図である。

【0074】

図１３に示す時系列データ９３は、２０２３年４月１０日の後のトナーの残量のデータであるが、最終的にトナーの残量が０％に到達している。このような現象が生じる原因は、学習データにおいてトナーの残量が無くなるまでのデータが存在するため、トナーの残量を０％より高い値に収束させるよりも、トナーの残量を０％に到達させる方が学習データとの乖離が少ないからである。

【0075】

したがって、学習データ生成システム３０によって生成された学習データを学習したトナー残量予測モデルでは、トナーの残量が無くなる時点を予測することができる。

【0076】

以上に説明したように、学習データ生成システム３０は、画像形成装置におけるトナーの残量の時系列データの近似直線の傾きと同一の傾きであって、時系列データにおける最終の記録時点としての最終記録時点において時系列データと同一の残量になる直線としての最終記録時点後補完用直線における、最終記録時点後、残量が無くなる時点以前のデータを、時系列データに追加することによって、トナーの残量が無くなるまでの学習データを生成する（Ｓ１１３およびＳ１２４）ので、トナー残量予測モデルによるトナーの残量の予測精度を向上することができる学習データを生成することができる。

【0077】

学習データ生成システム３０は、画像形成装置におけるトナーの残量の時系列データにおいて最終記録時点を含む連続した複数の記録時点においてトナーの残量が一定である場合に（Ｓ１２２でＹＥＳ）、時系列データの近似直線の傾きと同一の傾きであって、時系列データにおいて最終記録時点と残量が同一である最先の記録時点としての停滞開始時点において時系列データと同一の残量になる直線としての停滞開始時点後補完用直線における、停滞開始時点後、残量が無くなる時点以前のデータを、停滞開始時点以前の時系列データに追加することによって学習データを生成する（Ｓ１２６）ので、時系列データにおいて最終記録時点の付近の時期で利用者によるトナーの使用控えの影響があったとしても、利用者によるトナーの使用控えの影響を低減した学習データを生成することができる。したがって、学習データ生成システム３０は、トナー残量予測モデルによるトナーの残量の予測精度を向上することができる学習データを生成することができる。

【0078】

学習データ生成システム３０によって生成された学習データを学習したトナー残量予測モデルによってトナーの残量が無くなる時点が高精度に予測されることができるので、画像形成装置の利用者は、適切なタイミングで交換用の新品のトナーカートリッジを発注することができる。したがって、画像形成装置の利用者は、交換用の新品のトナーカートリッジを利用者自身によって長期間保管しなくて良い。

【0079】

本実施の形態に係る学習データ生成方法は、以上において、全ての工程が学習データ生成システム３０によって自動で実行される。しかしながら、本実施の形態に係る学習データ生成方法は、少なくとも一部の工程が人間によって手動で実行されても良い。例えば、本実施の形態に係る学習データ生成方法は、全ての工程が人間によって手動で実行されても良い。

【0080】

本実施の形態に係る時系列データは、毎日１回、定期的に画像形成装置によって記録されたトナーの残量の時系列データである。しかしながら、画像形成装置によるトナーの残量の記録時点は、毎日１回以外のタイミングでも良い。

【0081】

本発明における消耗品は、本実施の形態においてトナーである。しかしながら、本発明における消耗品は、トナー以外の消耗品でも良い。

【0082】

本発明における電子機器は、本実施の形態において画像形成装置である。しかしながら、本発明における電子機器は、画像形成装置以外の電子機器でも良い。

【符号の説明】

【0083】

２０ 画像形成装置（電子機器）
３０ 学習データ生成システム（コンピューター）
３４ａ 学習データ生成プログラム
６１ 時系列データ
６１ａ 近似直線
６１ｂ 最終記録時点後補完用直線
６１ｃ データ（最終記録時点後補完用直線における、最終記録時点後、消耗品の残量が無くなる時点以前のデータ）
６２ 時系列データ
６２ａ 近似直線
６２ｂ 最終記録時点後補完用直線
６２ｃ データ（最終記録時点後補完用直線における、最終記録時点後、消耗品の残量が無くなる時点以前のデータ）
６２ｄ 停滞開始時点後補完用直線
６２ｅ データ（停滞開始時点後補完用直線における、停滞開始時点後、消耗品の残量が無くなる時点以前のデータ）
７１、７２、８２ 学習データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】